Tam çözünürlükte görüntüler ve videolar için yoğun metrik derinliği tahmin etmeye yönelik bir yaklaşım olan Depth Pro 2'yi sunuyoruz. Monoküler derinlik tahmini için önceki yöntemleri analiz ettiğimizde, bunların genellikle zamansal tutarlılık ve sınır keskinliği arasında değiş tokuş yaptıklarını görüyoruz: çok çerçeveli yöntemler tutarlılığı destekler, tek çerçeveli yöntemler ise keskinliği tercih eder. Bu dengelemenin üstesinden gelmek için hem görüntüleri hem de videoları işleyen ve derinlik haritalarını yerel çözünürlükte tahmin eden tek, ölçeklenebilir bir ağ eğitiyoruz.
- Tam çözünürlükte görüntüler ve videolar için yoğun metrik derinliği tahmin etmeye yönelik bir yaklaşım olan Depth Pro 2'yi sunuyoruz.
- Monoküler derinlik tahmini için önceki yöntemleri analiz ettiğimizde, bunların genellikle zamansal tutarlılık ve sınır keskinliği arasında değiş tokuş yaptıklarını görüyoruz: çok çerçeveli yöntemler tutarlılığı destekler, tek çerçeveli yöntemler ise keskinliği tercih eder.
- Bu dengelemenin üstesinden gelmek için hem görüntüleri hem de videoları işleyen ve derinlik haritalarını yerel çözünürlükte tahmin eden tek, ölçeklenebilir bir ağ eğitiyoruz.
Tam çözünürlükte görüntüler ve videolar için yoğun metrik derinliği tahmin etmeye yönelik bir yaklaşım olan Depth Pro 2'yi sunuyoruz.
02 Özet
Tam çözünürlükte görüntüler ve videolar için yoğun metrik derinliği tahmin etmeye yönelik bir yaklaşım olan Depth Pro 2'yi sunuyoruz. Monoküler derinlik tahmini için önceki yöntemleri analiz ettiğimizde, bunların genellikle zamansal tutarlılık ve sınır keskinliği arasında değiş tokuş yaptıklarını görüyoruz: çok çerçeveli yöntemler tutarlılığı destekler, tek çerçeveli yöntemler ise keskinliği tercih eder. Bu dengelemenin üstesinden gelmek için hem görüntüleri hem de videoları işleyen ve derinlik haritalarını yerel çözünürlükte tahmin eden tek, ölçeklenebilir bir ağ eğitiyoruz. Depth Pro 2, metrik olarak doğru, keskin ve zamansal olarak tutarlı derinlik haritalarını tek seferde üretir ve tüm bu boyutlarda önceki çalışmalardan daha iyi performans gösterir. Metrik doğruluk, keskinlik, zamansal tutarlılık ve çalışma süresi açısından yeni bir Pareto sınırını tanımlayan bir model ailesi yayınlıyoruz. Kodu ve ağırlıkları https://apple-aiml-research.github.io/ml-length-pro-2/ adresinde yayınlıyoruz.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
We present Depth Pro 2, an approach to estimating dense metric depth for images and video at full resolution. By analyzing prior methods for monocular depth estimation, we find that they commonly trade off temporal consistency and boundary sharpness: multi-frame methods favor consistency, single-frame methods favor sharpness. To overcome this trade-off, we train a single, scalable network that processes both images and video and predicts depth maps at native resolution. Depth Pro 2 produces depth maps that are metrically accurate, sharp, and temporally consistent all at once, outperforming prior work in all of these dimensions. We release a family of models that define a new Pareto frontier in terms of metric accuracy, sharpness, temporal consistency, and runtime. We release code and weights at https://apple-aiml-research.github.io/ml-depth-pro-2/
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{hu2026depth,
title = {Depth Pro 2: Sharp and Temporally Consistent Metric Monocular Depth},
author = {Peiyun Hu and Marko Mihajlovic and Lyndon Duong and Lahav Lipson and Wei Dong and Amaël Delaunoy and Stephan R. Richter and Vladlen Koltun},
journal = {arXiv preprint arXiv:2611.26603},
year = {2026},
url = {https://arxiv.org/abs/2611.26603}
}
Hu, P., Mihajlovic, M., Duong, L., Lipson, L., Dong, W., Delaunoy, A., Richter, S. R., & Koltun, V. (2026). Depth Pro 2: Keskin ve Geçici Olarak Tutarlı Metrik Monoküler Derinlik. arXiv. https://arxiv.org/abs/2611.26603
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın